یادگیری هوشمند و تحول مدیریت 3115-8900 1 پیاپی 1 2023 10 13 A Comparative Analysis of Deep Learning Algorithms in Enhancing Knowledge Management Systems تحلیل تطبیقی الگوریتم‌های یادگیری عمیق در ارتقای سیستم‌های مدیریت دانش 1 13 FA زهرا احمدی گروه مدیریت آموزشی، دانشگاه تهران، تهران، ایران Journal Article 2023 04 20 <p>This study aims to comparatively examine the role and effectiveness of deep learning algorithms in improving the processes, performance, and efficiency of knowledge management systems in organizations. This qualitative review employed a systematic content analysis approach. Data were collected from peer-reviewed articles published between 2018 and 2023 in databases such as Scopus, Web of Science, and IEEE Xplore. A total of 12 articles were selected based on theoretical saturation and analyzed using NVivo version 14. The analysis process included open, axial, and selective coding to extract key patterns and concepts related to deep learning in knowledge management. The results revealed that deep learning algorithms, particularly Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Generative Adversarial Networks (GAN), play a critical role in the creation, organization, and sharing of knowledge. Transfer learning and hybrid deep models enhanced both accuracy and computational efficiency in knowledge management systems. The findings also indicated that deep learning effectively supports all stages of the knowledge management cycle—from acquisition to evaluation—though challenges such as data quality, computational cost, and model interpretability persist. Deep learning provides an innovative framework for transforming organizational knowledge management. By identifying hidden patterns and analyzing complex data, it improves knowledge-based decision-making and fosters self-learning systems. However, to fully exploit its potential, developing interpretable, ethical models and strengthening data infrastructure are essential.</p> <p>هدف این پژوهش، بررسی تطبیقی نقش و کارکرد الگوریتم‌های یادگیری عمیق در بهبود فرایندها، عملکرد و اثربخشی سیستم‌های مدیریت دانش در سازمان‌ها است. این مطالعه از نوع مروری کیفی بوده و بر اساس تحلیل محتوای نظام‌مند انجام شد. داده‌ها از میان مقالات منتشرشده بین سال‌های ۲۰۱۸ تا ۲۰۲۵ در پایگاه‌های معتبر نظیر Scopus، Web of Science و IEEE Xplore گردآوری شدند. در مجموع ۱۲ مقاله بر اساس معیار اشباع نظری انتخاب و با استفاده از نرم‌افزار NVivo نسخه ۱۴ تحلیل شدند. فرایند تحلیل شامل کدگذاری باز، محوری و انتخابی بود تا الگوها و مفاهیم اصلی درباره به‌کارگیری یادگیری عمیق در مدیریت دانش استخراج شود. نتایج نشان داد که الگوریتم‌های یادگیری عمیق به‌ویژه شبکه‌های عصبی کانولوشنی (CNN)، بازگشتی (RNN) و مولد تخاصمی (GAN) در خلق، سازمان‌دهی و اشتراک دانش نقش برجسته‌ای دارند. همچنین، یادگیری انتقالی و مدل‌های ترکیبی موجب افزایش دقت و کاهش هزینه‌های پردازشی در سیستم‌های مدیریت دانش شدند. یافته‌ها حاکی از آن بود که یادگیری عمیق توانسته است تمامی مراحل چرخه مدیریت دانش را از اکتساب تا ارزیابی به‌طور مؤثری تقویت کند، اگرچه چالش‌هایی همچون نیاز به داده‌های باکیفیت، توان محاسباتی بالا و تفسیرپذیری مدل‌ها همچنان وجود دارد. یادگیری عمیق بستری نوآورانه برای تحول در مدیریت دانش سازمانی فراهم کرده است. این فناوری با شناسایی الگوهای پنهان و تحلیل داده‌های پیچیده، فرایند تصمیم‌گیری دانشی را بهبود می‌بخشد و موجب توسعه سیستم‌های خودیادگیرنده می‌شود. با این حال، برای بهره‌برداری کامل از ظرفیت آن، توسعه مدل‌های قابل‌تفسیر و اخلاق‌محور و تقویت زیرساخت‌های داده‌ای ضروری است.</p> https://jilmt.com/index.php/jilmt/article/download/1/1